Knowledge-grounded Natural Language Recommendation Explanation

要約

推奨を伴う説明は、ユーザーが推奨システムによって行われた決定を理解するのに役立ち、その結果、システムに対するユーザーの信頼と信頼が高まります。
最近の研究は、人間が読める形式で自然言語説明を生成することに焦点を当てています。
これまでのところ、提案されたアプローチはユーザーによって書かれた商品レビューを利用していますが、多くの場合主観的で、言葉がまばらで、以前に購入またはレビューされていない新しい商品を説明することができません。
代わりに、ユーザーの購入履歴に基づいて、暗黙的にユーザーの好みを考慮しながら、商品の特徴を客観的に説明した、事実に基づいた推奨説明を生成することを目指しています。
これを達成するために、自然言語で説明可能なレコメンデーションに対するナレッジ グラフ (KG) アプローチを提案します。
私たちのアプローチは、新しい協調フィルタリングベースのKG表現を通じてユーザーアイテムの特徴を利用して、事実に基づいたパーソナライズされた説明を生成すると同時に、推奨スコア付けのためにユーザーアイテム表現を共同学習します。
実験結果は、自然言語で説明可能なレコメンデーションに関して、私たちのアプローチが以前の最先端のモデルよりも一貫して優れていることを示しています。

要約(オリジナル)

Explanations accompanied by a recommendation can assist users in understanding the decision made by recommendation systems, which in turn increases a user’s confidence and trust in the system. Recently, research has focused on generating natural language explanations in a human-readable format. Thus far, the proposed approaches leverage item reviews written by users, which are often subjective, sparse in language, and unable to account for new items that have not been purchased or reviewed before. Instead, we aim to generate fact-grounded recommendation explanations that are objectively described with item features while implicitly considering a user’s preferences, based on the user’s purchase history. To achieve this, we propose a knowledge graph (KG) approach to natural language explainable recommendation. Our approach draws on user-item features through a novel collaborative filtering-based KG representation to produce fact-grounded, personalized explanations, while jointly learning user-item representations for recommendation scoring. Experimental results show that our approach consistently outperforms previous state-of-the-art models on natural language explainable recommendation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google